All Products
Search

This Product

    Platform For AI:Prediksi user churn

    Document Center

    Platform For AI:Prediksi user churn

    Last Updated:Aug 27, 2026

    Gunakan PAI untuk membangun model prediksi user churn secara cepat.

    Latar Belakang

    Membangun model prediksi user churn memungkinkan Anda mengidentifikasi pelanggan yang berpotensi churn dan mengambil langkah proaktif untuk mempertahankan mereka.

    Solusi pemantauan churn tradisional umumnya berbasis aturan, sehingga tidak memiliki kemampuan prediksi cerdas dan berisiko gagal mengidentifikasi pengguna berisiko secara akurat.

    Solusi

    PAI menyediakan solusi lengkap untuk pengkodean fitur, pelatihan model klasifikasi, dan evaluasi model berdasarkan data berlabel. Persyaratannya sebagai berikut:

    • Keahlian: Pengetahuan dasar tentang pemodelan machine learning.

    • Siklus pengembangan: 1 hingga 2 hari.

    • Data: Set data berlabel dengan ribuan catatan yang menggambarkan karakteristik pelanggan yang telah churn.

    Prasyarat

    Set Data

    Pipeline ini menggunakan set data anonim berdasarkan perilaku pelanggan nyata dari sektor telekomunikasi. Set data tersebut berisi 7.043 sampel, termasuk informasi dasar pengguna dan atribut churn. Data fitur mencakup bidang-bidang berikut.

    Parameter

    Deskripsi

    customerid

    ID pelanggan.

    gender

    Jenis kelamin pelanggan.

    SeniorCitizen

    Menunjukkan apakah pelanggan merupakan warga senior. Nilai yang valid:

    • 1: Ya.

    • 0: Tidak.

    Partner

    Menunjukkan apakah pelanggan memiliki pasangan.

    Dependents

    Menunjukkan apakah pelanggan memiliki tanggungan.

    tenure

    Jumlah bulan pelanggan telah bergabung dengan perusahaan.

    PhoneService

    Menunjukkan apakah pelanggan berlangganan layanan telepon.

    MultipleLines

    Menunjukkan apakah pelanggan memiliki beberapa saluran.

    InternetService

    Penyedia layanan internet pelanggan. Misalnya, DSL atau Fiber optic.

    OnlineSecurity

    Menunjukkan apakah pelanggan berlangganan layanan keamanan online.

    OnlineBackup

    Menunjukkan apakah pelanggan menggunakan layanan backup online.

    DeviceProtection

    Menunjukkan apakah pelanggan memiliki layanan perlindungan perangkat.

    TechSupport

    Menunjukkan apakah pelanggan telah meminta dukungan teknis.

    StreamingTV

    Menunjukkan apakah pelanggan berlangganan layanan streaming TV.

    StreamingMovies

    Menunjukkan apakah pelanggan berlangganan layanan streaming film.

    Contract

    Jangka waktu kontrak. Misalnya, Month-to-month atau Two-year.

    PaperlessBilling

    Menunjukkan apakah pelanggan menggunakan penagihan tanpa kertas.

    PaymentMethod

    Metode pembayaran.

    MonthlyCharges

    Biaya bulanan.

    TotalCharges

    Total biaya.

    Data target mencakup bidang berikut.

    Parameter

    Deskripsi

    churn

    Menunjukkan apakah pelanggan telah churn.

    Prosedur

    1. Buka halaman Machine Learning Designer.

      1. Masuk ke Konsol PAI.

      2. Di panel navigasi sebelah kiri, klik Workspaces. Di halaman Workspaces, klik nama ruang kerja yang ingin Anda kelola.

      3. Di panel navigasi sebelah kiri, pilih Model Training > Visualized Modeling (Designer).

    2. Bangun pipeline.

      1. Di halaman Designer, klik tab Preset Templates.

      2. Buka kategori Risk Control di bawah Business Area, temukan bagian Churn User Monitoring, lalu klik Create.

      3. Di kotak dialog Create Pipeline, konfigurasikan parameter. Anda dapat menggunakan pengaturan default untuk semua parameter.

        Parameter Data Storage menentukan path bucket OSS untuk menyimpan data temporary dan model yang dihasilkan selama eksekusi pipeline.

      4. Klik Confirm.

        Pembuatan pipeline memerlukan waktu sekitar 10 detik.

      5. Di daftar pipeline, klik ganda pipeline Churn User Monitoring untuk membukanya di Kanvas.

      6. Sistem secara otomatis membangun pipeline berdasarkan template preset, seperti yang ditunjukkan pada gambar berikut.

        用户流失工作流

        Bagian

        Deskripsi

        ①

        Set data untuk pipeline.

        ②

        Anda dapat menggunakan komponen One Hot Encoding dan SQL Script untuk melakukan rekayasa fitur dan mengonversi fitur bertipe string asli menjadi fitur numerik. Sebagai contoh, untuk bidang target churn yang memiliki nilai asli Yes atau No, Anda dapat menggunakan pernyataan SQL untuk mengonversi Yes menjadi 1 dan No menjadi 0, seperti pada contoh berikut.

        select (case churn  when 'Yes' then 1 else 0 end) as churn from  ${t1};

        ③

        Data dibagi menjadi set data pelatihan dan set data prediksi. Karena pelanggan hanya dapat churn atau tidak churn, prediksi user churn merupakan masalah klasifikasi biner yang dapat diselesaikan dengan algoritma klasifikasi biner.

        ④

        Komponen Binary Classification Evaluation memvalidasi model. Anda dapat mengevaluasi kinerjanya menggunakan metrik seperti AUC, nilai KS, dan Skor F1.

    3. Jalankan pipeline dan lihat hasil model.

      1. Di bagian atas Kanvas, klik Run.

      2. Setelah eksekusi pipeline selesai, klik kanan komponen Binary Classification Evaluation di Kanvas, lalu pilih Visual Analysis dari menu pintasan.

      3. Di kotak dialog Binary Classification Evaluation, klik tab Indicator Data untuk melihat metrik evaluasi model.

        Metrik tersebut mencakup nilai KS, AUC, Skor F1, Negative Samples, Positive Samples, dan Total Samples. Nilai AUC yang lebih mendekati 1 menunjukkan akurasi prediksi yang lebih tinggi. Pada contoh ini, nilai AUC lebih besar dari 0,8, yang menunjukkan akurasi prediksi model yang tinggi.